【技术实现步骤摘要】
一种工业大用户月度用电量与碳排放量预测方法和设备
[0001]本专利技术涉及负荷预测、碳排放预测领域，具体涉及一种工业大用户月度用电量与碳排放量预测方法和设备。
技术介绍
[0002]用电量与碳排放预测是电力运行管理的重要内容，直接关系到电力企业的运行状况和经济效益。随着电力市场的发展，用电量与碳排放预测技术也发生了巨大变化，从传统方法逐步转向基于数据挖掘和人工智能技术的方法。
[0003]常用的用电量与碳排放预测方法主要包括时间序列分析法、自回归模型法和神经网络类算法等，这些方法都具有一定的局限性，例如时间序列分析法对于非平稳、波动剧烈序列的处理能力较弱，自回归模型法难以获取实用、高精度的最佳模型，而神经网络类算法非常依赖于历史数据的数据规模，通常需要至少数十万条数据。为了克服传统方法的局限性，本专利技术提出了一种工业大用户月度用电量与碳排放量预测方法。
技术实现思路
[0004]针对现有技术的不足，本专利技术提出一种工业大用户月度用电量与碳排放量预测方法，对于序列非平稳、波动剧烈难题，首先采用VM...
【技术保护点】
【技术特征摘要】
1.一种工业大用户月度用电量与碳排放量预测方法，其特征在于，包括：将用户的历史月度用电量与碳排放数据构建用户的月度用电量序列Y
E
与碳排放序列Y
C
；通过fVMD算法对用户的月度用电量序列Y
E
与碳排放序列Y
C
进行分解，得到用电量的季节子序列和波动子序列及碳排放的季节子序列和波动子序列采用傅立叶变换方法计算月度用电量序列Y
E
与碳排放序列Y
C
的频谱并进行分类，其中模态分量的中心频率小于等于FFT频谱图中能量最高频率为波动子序列和波动子序列模态分量的中心频率大于FFT频谱图中能量最高频率为为波动子序列和波动子序列针对季节子序列和采用ARIMA模型进行预测；针对波动子序列和采用支持向量机模型进行预测；针对波动子序列和采用Ensemble集成预测模型进行预测；将上述进行预测得到的用户月度用电量与碳排放预测值用BP神经网络来拟合，拟合后用电量与碳排放值即为工业大用户月度用电量与碳排放预测值。2.根据权利要求1所述的工业大用户月度用电量与碳排放量预测方法，其特征在于，所述fVMD算法是通过将VMD算法的分解结果中的季节分量和波动分量进行融合得到fVMD算法，具体包括以下步骤：对每个模态函数u
k
(t)采用Hilbert变换得到相应的解析信号，同时获得单侧频谱；通过指数项调整各模态函数的中心频率，将频谱调制到相应基带上；对已解调的信号计算其梯度的平方范数L2，应用高斯平滑估算相应的带宽；变分模型构造如下：其中：{u
k
}＝{u1,...,u
k
}为分解后得到的k个模态分量；{ω
k
}＝{ω1,...,ω
k
}为各模态分量的中心频率；δ(t)为狄拉克函数；＊为卷积符号。通过引入二次惩罚因子α和拉格朗日乘法算子λ(t)，可以得到扩展的拉格朗日表达式如下：通过交替更新λ
n+1
找到扩展拉格朗日表达式的极小点，即变分模型的最优解，其中模态分量u
k
、中心频率ω
k
分别为：
将VMD的分解结果中的季节分量和波动分量进行融合，构成新的融合变分模态算法，即fVMD算法。3.根据权利要求1所述的工业大用户月度用电量与碳排放量预测方法，其特征在于，所述针对季节子序列和采用ARIMA模型进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。